【技术实现步骤摘要】
本专利技术涉及跨站点医学图像分割的，尤其是指一种基于域特定性正则化的跨站点医学图像增量分割系统。
技术介绍
1、医学图像分割是一种将医学图像中感兴趣的结构或区域从背景中准确地分割出来的技术，它在医学领域中具有广泛的应用。然而，基于卷积神经网络的医学图像分割任务需要大量的带标注的图像，训练图像需要从多个站点收集，但是在医疗领域，隐私限制会禁止临床数据的共享，很难在同一时间获取到多个站点的训练数据。
2、增量学习是一种机器学习方法，其目标是在已经训练好的模型上继续学习新的数据，而无需获取先前的训练数据。增量学习方法可以有效地利用新样本的信息，将其纳入到已有的模型中，从而使得模型能够适应新数据并不遗忘来自旧数据的知识。跨站点医学图像增量分割是一种基于增量学习的医学图像分割任务，它能够克服医学图像数据的隐私限制，其目标是在不牺牲先前站点分割准确率的情况下，有效利用新站点的数据更新在旧站点训练的模型，使模型在新站点和旧站点都具有高的分割准确率。
3、跨站点医学图像增量分割的任务设定如下：来自多站点的医学图像数据将按顺序到来并用于训练分割模型，在每一个训练的步骤中，只能获取到当前站点的医学图像和分割掩码，而无法获取先前站点的医学图像和分割掩码，最终增量训练得到的分割模型应当在所有站点的医学图像都有准确的分割性能。其难点在于，由于每一个训练的步骤中只能获得一个站点的数据，一方面，分割模型很容易过拟合于该站点的域特定特征，例如医学图像的亮度、对比度、饱和度和图像噪声；另一方面，分割模型难以从一个站点的数据中学习到多个站点
4、为了减轻灾难性遗忘，先前的增量学习方法主要分为三种流派：1)基于数据回放的方法：需要在新站点的增量学习中回放来自旧站点的数据，这会违背医学图像数据的隐私限制，因此不适用于跨站点医学图像增量分割任务；2)基于参数隔离的方法：此类方法明确地为每个站点分配不同的模型参数，但其有效性受到模型容量的限制，因此实用性不高；3)基于正则化的方法又可以进一步分为两种类型：基于数据的方法通过蒸馏学习的方法从先前的网络模型中提取知识，以蒸馏损失作为正则化项来引导网络模型学习，防止网络模型遗忘旧站点的知识；而基于先验的方法通过为模型的参数分配重要性权重，并在网络模型更新的过程中引入替代损失作为正则化项来惩罚相应参数的偏移。
5、尽管现有的方法可以在一定程度上缓解遗忘，但它们忽略了跨站点医学图像增量分割任务中固有的获取偏差问题，没有在增量学习的过程中进行域特定知识和跨域不变知识的解耦，难以在不同站点之间精确提取跨站点不变的知识，因此在跨站点医学图像增量分割过程的任务中产生较差的分割性能。
技术实现思路
1、本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于域特定性正则化的跨站点医学图像增量分割系统，该系统通过模拟来自不同站点医学图像的亮度、对比度、饱和度和图像噪声的变化，来分析医学图像分割模型参数的域特定性，并在分割模型增量训练阶段通过引入正则化项的方式限制具有高域特定性的网络参数更新，防止分割模型过度拟合于域特定特征，从而解决跨站点医学图像增量分割任务中的灾难性遗忘问题。
2、为实现上述目的，本专利技术所提供的技术方案为：基于域特定性正则化的跨站点医学图像增量分割系统，包括：
3、初始站点数据导入模块，用于获取来自首个站点的数据，包含医学图像和分割掩码，并对该数据进行预处理得到统一大小的图像和分割掩码；
4、分割模型初始化训练模块，用于构建u-net分割模型，并使用预处理后的首个站点的医学图像和分割掩码来初始化训练分割模型，得到初始化训练的u-net分割模型；
5、分割模型网络参数分析模块，用于分析训练完成的u-net分割模型的参数域特定性，对训练u-net分割模型使用的医学图像进行亮度、对比度和饱和度的增强，将增强前、后的医学图像分别送入u-net分割模型进行预测得到两次输出，计算u-net分割模型的两次输出差异，对该差异进行一次反向传播，得到分割模型梯度，即为u-net分割模型的参数域特定性；
6、新站点数据导入模块，用于导入先前站点训练的u-net分割模型和每个u-net分割模型的参数域特定性，并导入来自新站点的医学图像和分割掩码，进行预处理后得到统一大小的图像和分割掩码，即为预处理后的新站点的医学图像和分割掩码；
7、分割模型增量训练模块，根据得到的预处理后的新站点的医学图像和分割掩码，用上一个站点训练的u-net分割模型作为预训练模型进行增量训练，在增量训练的过程中，根据分割模型参数的域特定性来定义正则化项，通过域特定性正则化项损失来约束具有高域特定性的模型参数的更新，得到增量训练的u-net分割模型；
8、分割模型预测模块，将增量训练的u-net分割模型用于医学图像分割的精准预测。
9、进一步，所述初始站点数据导入模块具体执行以下操作：
10、对来自首个站点的医学图像和对应的分割掩码进行调整图像大小操作，对图像和分割掩码整体成比例调整图像大小，使得图像和分割掩码的长边为384，如果长边和短边的长度相同，则所有图像和分割掩码的大小为384×384，如果短边的长度不为384，则对图像的短边和对应的分割掩码部分进行零填充，使得所有的输入图像和分割掩码的大小都为固定尺寸384×384，得到预处理后的首个站点的医学图像x和分割掩码y，其中(x,y)∈d1，d1表示来自首个站点的预处理数据。
11、进一步，所述分割模型初始化训练模块包括分割模型构建模块和分割模型训练模块，其中：
12、所述分割模型构建模块构建用于语义分割的u-net分割模型，该模型由一个u型的编码器和解码器组成，两者通过跳跃连接相连，编码器负责提取图像特征并降低维度，而解码器则将低维特征重新上采样至原始尺寸并生成分割结果；
13、所述分割模型训练模块使用预处理后的首个站点的医学图像和分割掩码训练u-net分割模型，作为分割损失的训练损失函数lseg定义如下：
14、
15、
16、式中，(x,y)∈d1为首个站点的医学图像和分割掩码；f1(·)表示初始站点的u-net分割模型，为u-net分割模型的预测输出，即原始分割模型输出，mse(·,·)和dice(·,·)分别表示最小平方误差损失和骰子系数损失，其具体定义如下：
17、
18、
19、式中，n为和y的元素数量，n为元素序号，和yn分别为原始分割模型输出和分割掩码y的第n个元素，是和y的交集，和|y|分别表示和y元素的个数；
20、经过上述训练损失函数lseg的训练后，得到初始化训练的u-net分割模型f1(·)。
21、进一步，所述分割模型网络参数分析模块包括域差异模拟模块和域特定性分析模块，其中：
22、所述域差异模拟模块本文档来自技高网...
【技术保护点】
1.基于域特定性正则化的跨站点医学图像增量分割系统，其特征在于，包括：
2.根据权利要求1所述的基于域特定性正则化的跨站点医学图像增量分割系统，其特征在于，所述初始站点数据导入模块具体执行以下操作：
3.根据权利要求1所述的基于域特定性正则化的跨站点医学图像增量分割系统，其特征在于，所述分割模型初始化训练模块包括分割模型构建模块和分割模型训练模块，其中：
4.根据权利要求1所述的基于域特定性正则化的跨站点医学图像增量分割系统，其特征在于：所述分割模型网络参数分析模块包括域差异模拟模块和域特定性分析模块，其中：
5.根据权利要求1所述的基于域特定性正则化的跨站点医学图像增量分割系统，其特征在于：所述新站点数据导入模块具体执行以下操作：
6.根据权利要求1所述的基于域特定性正则化的跨站点医学图像增量分割系统，其特征在于：所述分割模型增量训练模块以在上一个站点T-1完成训练的U-Net分割模型FT-1(·)作为预训练模型，以预处理后的新站点T的医学图像和分割掩码(x,y)∈DT作为训练数据，DT表示来自新站点T的预处理数据，增
...【技术特征摘要】
1.基于域特定性正则化的跨站点医学图像增量分割系统，其特征在于，包括：
2.根据权利要求1所述的基于域特定性正则化的跨站点医学图像增量分割系统，其特征在于，所述初始站点数据导入模块具体执行以下操作：
3.根据权利要求1所述的基于域特定性正则化的跨站点医学图像增量分割系统，其特征在于，所述分割模型初始化训练模块包括分割模型构建模块和分割模型训练模块，其中：
4.根据权利要求1所述的基于域特定性正则化的跨站点医学图像增量分割系统，其特征在于：所述分割模型网络参数分析模块包括域差异模拟模...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。